[发明专利]一种无人驾驶车辆实时电量智慧预测方法及装置

权利要求书

1.一种无人驾驶车辆实时电量智慧预测方法，其特征在于，包括以下步骤：

步骤1：获取训练数据；

所述训练数据包括无人驾驶车辆在行驶过程中的指定时间nT内的能耗值、行驶距离和耗电量，所述能耗值包括风阻能耗值、坡度能耗值以及温度能耗值；

所述风阻能耗值由无人驾驶车辆在指定时间nT内的相对风速累加获得，所述相对风速大小是指车辆外部风速与车速的差值；

所述坡度能耗值由无人驾驶车辆在指定nT内的爬坡因子对时间进行积分获得，爬坡因子为β，β＝0.02*cos(α)+sin(α)，α为无人驾驶车辆在行驶过程中的对离散时刻采集的坡度角值进行线性拟合得到的随时间连续变化的坡度角；

所述温度能耗值由无人驾驶车辆在指定时间nT内的车内温度与车外温度的差值累加获得；

所述行驶距离由无人驾驶车辆在指定时间nT内的车速对时间进行积分获得；

其中，T为设定的单元间隔时间，所述指定时间为设定的单元间隔时间的整数倍，n为整数，从1开始依次取值；从而获得多种对应不同指定时间的训练数据；

步骤2：构建基于灰色神经网络的相对风速预测模型；

利用训练数据中的无人驾驶车辆相对风速时间序列中的连续m个时刻的相对风速作为输入数据，第m+1个时刻的相对风速作为输出数据，对基于灰色神经网络的相对风速预测模型进行训练，构建基于灰色神经网络的相对风速预测模型，m为整数；

步骤3：基于能耗值和行驶距离构建基于Elman神经网络的耗电量预测模型；

以无人驾驶车辆在指定时间nT内风阻能耗值、坡度能耗值、温度能耗值以及行驶距离作为输入数据，以无人驾驶车辆在指定时间nT内的耗电量作为输出数据，对基于Elman神经网络的耗电量预测模型进行训练，针对n从1开始依次取值，构建多种时长的基于Elman神经网络的耗电量预测模型；

步骤4：构建云端路径上各经纬度行车数据库；

所述云端路径上各经纬度行车数据库包括各经纬度点上的车速、坡度角以及相邻参考经纬度之间的行驶时间；

对路径上的经纬度进行等间距划分，获得参考经纬度，相邻参考经纬度之间间距为2米，将云端共享服务器中所有在该路径上行驶的车辆获取车速、坡度角时的经纬度依据距离最近原则，划分到与该路径上最近的参考经纬度，以同一参考经纬度上的所有车辆车速和坡度角均值，作为参考经纬度上的云端车速和坡度角，并按照前一参考经纬度上的云端车速行驶至下一参考经纬度，获取相邻参考经纬度之间的行驶时间；

若所述无人驾驶车辆与云端路径上各经纬度行车数据库中坡度角数据所属车辆的行驶方向一致，则提取对应坡度角数据；若行驶方向相反，则提取对应坡度角数据的负值数据；若存在某路段空缺数据，则位于该路段上的坡度角为零；

步骤5：采集实时无人驾驶车辆数据，利用基于灰色神经网络的相对风速预测模型和云端路径数据，计算无人驾驶车辆从当前位置到达终点过程中，在未来路径的指定时间内的风阻能耗值、行驶距离、坡度能耗值和温度能耗值；所述指定时间的时长为单元间隔时间的倍数；

利用无人驾驶车辆实时采集的外部风速和车速，利用基于灰色神经网络的相对风速预测模型，获得指定时间内的相对风速，并计算指定时间内的风阻能耗值；

同时利用无人驾驶车辆所在的经纬度，依据云端路径上的相邻参考经纬度之间的行驶时间数据，确定无人驾驶车辆在经过指定时间后所处的经纬度位置，并从云端获取在未来路径上在指定时间内的经过各经纬度时的云端车速和云端坡度角，计算指定时间内行驶距离和坡度能耗值；

利用无人驾驶车辆实时采集的车内外温度的差值在未来指定时间内的累加值作为未来指定时间内的温度能耗值；

步骤6：利用未来路径的指定时间内的行驶距离和能耗值，输入对应时长的基于Elman神经网络的耗电量预测模型，获取未来路径在指定时间内的耗电量；

所述基于Elman神经网络的耗电量预测模型在训练时所使用的数据对应的时长与指定时间相同。

2.根据权利要求1所述的方法，其特征在于，所述基于灰色神经网络的相对风速预测模型在训练时设置输入层节点个数为3，隐含层节点个数为6，输出层节点个数为1；训练过程中的最大迭代次数设置为500，训练学习率为0.1，阈值为0.05，且所述基于灰色神经网络的相对风速预测模型的权值和阈值采用混沌蝙蝠算法进行优化选择获得。